人工智慧、機器學習、神經網絡和深度學習之間是什麼樣的關係?

2020-12-06 電子產品世界

　　最近很長的一段時間，人工智慧的熱度都維持在一定的高度。但是大家在關注或研究人工智慧領域的時候，總是會遇到這樣的幾個關鍵詞：深度學習、機器學習、神經網絡。那他們之間到底是什麼樣的關係呢?

本文引用地址：http://www.eepw.com.cn/article/201806/381185.htm

　　先說人工智慧，人工智慧是在1956年一個叫達特茅斯會議上提出的。更準確的說是1956年學者們在會議上將他們確定為人工智慧，其實關於其具體的一些研究，早就已經開始了。

　　所以人工智慧已經是有60多年歷史的一個領域。為什麼最近幾年人工智慧才逐漸進入大眾視野呢?其實，這幾年的人工智慧浪潮已經是人工智慧的第三次熱度高漲，並遠遠超過了之前的熱度。第一次和第二次浪潮都消失在歷史的長河裡，他們在那個年代都遇到了自己的問題，比如第一次是因為在完美的完成了一些人工智慧項目後，遇到更複雜的需求時卻被發現當時的人工智慧技術，並沒有能力將其解決，導致了世界主力研究的國家中斷了人工智慧的研究經費。第一次發展因為缺錢而中止了，本質上還是技術遇到了瓶頸。第二次浪潮時候，因為專家系統為很多企業帶來非常大的作用和效益，人工智慧又準備大力發展的時候，被第四代計算機的強有力發展擠佔的沒有空間，幾乎絕大多數的資金和人力都投入到了第四代計算機的發展行列中去。

　　除了外部因素的影響，人工智慧本身也存在一些問題，在早期最核心的兩個問題就是數據和算力，因為當時其實有非常不錯的擬合算法模型，但是卻被戴上了過擬合的帽子，就是模型維度多，但是卻沒有詳盡和足量數據支持。

　　其實在1956年後，人工智慧發展的速度非常快，解決了業內很多的問題，讓當時的科學家以為，以當時的發展速度，機器可能在20年左右達到人類的水平。現在看，當時的科學巨頭還是過度樂觀了，直到60年後的今天，我們還是在弱人工智慧領域摸爬滾打。


　　圖 1人工智慧產業發展歷程

　　講的有點遠了，回到今天的主題，人工智慧，機器學習，神經網絡，深度學習之間的關係。

　　人工智慧這個概念可能是個大坑，把很多人都弄迷糊了。簡單點解釋，人工智慧就是實現人類可以做的事情，這是目的。其中有很多細節，其中最核心，我們可以理解為人的大腦的部分，就是機器學習。


　　圖 2人工智慧關係圖

　　飲鹿網(innov100)產業研究員認為機器學習(machine learning)可以簡單的理解為實現人工智慧的核心方法。他不是一個單一的方法，而是眾多算法的合集。沒錯，人工智慧的核心就是由各種算法作為支撐的。不過，現在的機器學習更容易理解成，簡單的半人工智慧算法，比如我們在逛某寶的時候，總是會有欄目推薦各種商品，或者你瀏覽了某些商品後，你會發現首頁連默認搜索詞都變成了你瀏覽的商品的關鍵詞，這裡面就融合了基於機器學習的推薦算法，而且在後臺還為用戶畫像，更加準確的預測你想要購買的商品。其實這樣的技術實現背後還是有一定問題的，比如你的隱私，如果你被預測的很準確，那你還有什麼隱私可言，你所有的操作都可能悄悄的出賣了你。

　　神經網絡(NeuralNetwork)簡單說就是機器學習眾多算法中的一類，設計的時候就是模仿人腦的處理方式，希望其可以按人類大腦的邏輯運行(儘管目前來說對人腦的研究仍不夠透徹)。神經網絡已經有很多年的歷史，但現在基本很少聽到了。飲鹿網(innov100)產業研究員認為神經網絡可以簡單的分為單層，雙層，以及多層網絡。神經網絡在之前有非常多的問題，層數無法深入過多，有太多的參數需要調節，樣本數據量過小等問題。總之，其之前是一門並不被看好的技術。直到2006年，Hinton在《Science》和相關期刊上發表了論文，首次提出了「深度信念網絡」的概念。

　　深度學習(DeepLearning)其實算是神經網絡的延伸，從概念被提出，逐漸的在人工智慧領域大顯身手。尤其是在2012年，其在圖像識別領域獲得驚人的成績。和神經網絡一樣，深度學習也是一個算法的集合，只不過這裡的算法都是基於多層神經網絡的新的算法。他是一種新的算法和結構，新的網絡結構中最著名的就是CNN，它解決了傳統較深的網絡參數太多，很難訓練的問題，使用了「局部感受野」和「權植共享」的概念，大大減少了網絡參數的數量。關鍵是這種結構確實很符合視覺類任務在人腦上的工作原理。新的方法就多了：新的激活函數：ReLU，新的權重初始化方法(逐層初始化，XAVIER等)，新的損失函數，新的防止過擬合方法(Dropout, BN等)。這些方面主要都是為了解決傳統的多層神經網絡的一些不足：梯度消失，過擬合等。

　　由於其解決了早期人工智慧的一些遺留問題，在大數據和大算力的加持下，使得人工智慧重新進入到大眾的視野。並在視覺識別，圖像識別，語音識別，棋類AI中成為核心技術。所以現在深度學習就是新的神經網絡，其本質仍然是神經網絡，但是又區別於舊的神經網絡。另外現在基本很少在討論神經網絡了。

　　希望大家看完文章之後，可以理解人工智慧、機器學習、神經網絡和深度學習之間的關係了。另外，在此基礎上繼續延伸的話，還有遷移學習和強化學習，這些會在之後的文章繼續探索。

相關焦點

  • 人工智慧、機器學習、深度學習和神經網絡傻傻分不清?看這兒!
    人工智慧、機器學習、深度學習和神經網絡這些詞傻傻分不清？這四個都是非常熱門的詞彙，很多人甚至將四者看成是一種等價的關係，在很多報導中，會混雜使用。事實上，這四者之間既有一定的聯繫，但也有明顯的區別。可以簡單理解為：機器學習是人工智慧領域中的一個重要分支；深度學習是實現機器學習的一種重要方法；而深度學習通常都是基於多層神經網絡的。筆者之前畫了一張圖，比較形象一些。
  • 如何區分人工智慧、機器學習和深度學習?
    深度學習(Deep Learning)是一種機器學習的方法，它試圖使用包含複雜結構或由多重非線性變換構成的多個處理層（神經網絡）對數據進行高層抽象的算法。神經網絡是一組大致模仿人類大腦構造設計的算法，用於識別模式。神經網絡通過機器感知系統解釋傳感器數據，能夠對原始輸入進行標記或聚類等操作。
  • 機器學習算法盤點:人工神經網絡、深度學習
    機器學習算法盤點：人工神經網絡、深度學習 佚名 發表於 2016-08-01 16:26:33 　　機器學習無疑是當前數據分析領域的一個熱點內容。很多人在平時的工作中都或多或少會用到機器學習的算法。
  • 機器學習算法匯總:人工神經網絡、深度學習及其它
    以下為原文： 學習方式根據數據類型的不同，對一個問題的建模有不同的方式。在機器學習或者人工智慧領域，人們首先會考慮算法的學習方式。在機器學習領域，有幾種主要的學習方式。 關聯規則學習 關聯規則學習通過尋找最能夠解釋數據變量之間關係的規則，來找出大量多元數據集中有用的關聯規則。常見算法包括 Apriori算法和Eclat算法等。
  • 深度學習:神經網絡算法的昨天、今天和明天
    原標題：深度學習：神經網絡算法的昨天、今天和明天2016年，圍棋人工智慧軟體AlphaGo打敗了韓國圍棋名將李世石。2017年，新一代AlphaGo（AlphaGo Master）的戰鬥力升級，又打敗了世界排名第一的柯潔。
  • 人工智慧、深度學習與人類智能之間的區別和聯繫
    得益於數據量的上漲，人工智慧的研究領域也在不斷擴大，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。（2）深度學習：用以實現人工智慧的一種機器學習方法。深度學習本來並不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網絡。
  • 神經網絡和深度學習簡史(全)
    但是，這種災難性的形容的確可以用來描述深度學習在過去幾年中的異軍突起——顯著改善人們對解決人工智慧最難問題方法的駕馭能力，吸引工業巨人（比如谷歌等）的大量投資，研究論文的指數式增長（以及機器學習的研究生生源上升）。在聽了數節機器學習課堂，甚至在本科研究中使用它以後，我不禁好奇：這個新的「深度學習」會不會是一個幻想，抑或上世紀80年代已經研發出來的「人工智慧神經網絡」擴大版？
  • 機器學習與人工智慧之六:人工神經網絡
    這期繼續講人工智慧相關的知識！觀眾老爺請拿出喜歡的零食和飲料，放鬆心情隨小編一起走進智能化資訊時代！觀眾老爺是否還記得第一期的問題：我們人類是如何學習的？我們如何理解知識的？同樣信息在我們大腦中如何處理的？我們的文字和語言有什麼規律？我們看到的物體如何判斷的？我們對事物的關係如何理解的？我們的世界是什麼樣子的？為什麼可以用模型去擬合呢？
  • 圖靈獎得主姚期智:深度學習、神經網絡、密碼學……人工智慧絕對是...
    在為期3天的活動中，他們將分享關於行業發展和人類未來的最新思考。在今天的開幕式上，圖靈獎獲得者、中國科學院院士姚期智帶來了題為《人工智慧理論的新方向》的主題演講。姚期智介紹說：「我們觀察周圍，比如在今天的大會堂當中，我們就會看到AI領域以及應用的一些新進展。
  • 人工智慧(AI) 機器學習(ML) 深度學習(DL),到底他們哥仨是什麼關係?
    原標題：人工智慧（AI) 機器學習（ML) 深度學習（DL），到底他們哥仨是什麼關係？ A BOUTBEAUTY 有三個詞，這兩年出現的頻率越來越高：人工智慧（AI），機器學習（ML），深度學習（DL），到底他們哥仨是什麼關係？今天小編化繁為簡，用幾張圖帶你迅速看明白。
  • 如今統治機器學習的深度神經網絡,也曾經歷過兩次低谷
    但是 ImageNet 競賽，這個繼承了PASCAL VOC的人工智慧圖像識別的標杆，從2010年開始舉辦以來，深度學習並不是主流，而是另外一種機器學習辦法——支持向量機（SVM）的天下。ImageNet 就相當於機器學習的華山論劍，所以，什麼武功最厲害?
  • 機器學習與深度學習有什麼區別?
    近年來，隨著科技的快速發展，人工智慧不斷進入我們的視野中。作為人工智慧的核心技術，機器學習和深度學習也變得越來越火。一時間，它們幾乎成為了每個人都在談論的話題。那麼，機器學習和深度學習到底是什麼，它們之間究竟有什麼不同呢？　什麼是機器學習？
  • 人工智慧系列(六) 深度學習中的神經網絡
    原力君在系列的第五篇《人工智慧系列(五) 深度學習簡介》中提到深度學習可以看作是一種更高級的函數擬合方法；人工神經網絡、激活函數、代價函數、梯度下降、反向傳播是深度學習的幾個關鍵點；常見的深度學習神經網絡結構有多層感知機、DNN、CNN、RNN等。
  • 人工智慧利用神經網絡來控制機器
    人工智慧利用神經網絡來控制機器,或者是人工智慧根據預定的規則來控制機器.人工智慧可以用於搜索,診斷,預測,監控和機器人等諸多方面.人工智慧為人類提供了創造性解決方案,這個解決方案不僅能創造出改變,同時還能控制它們.世界對於人工智慧抱有非常樂觀的態度,因為它們讓人類工作變得更加高效.然而,智能的出現時間還很短暫,遠沒有到大眾普遍接受的階段.那麼,人工智慧未來的發展方向到底是什麼
  • 人工智慧黑盒揭秘:深度神經網絡可視化技術
    但深度神經網絡又被稱為「黑盒」模型，多層隱藏結構，數據 / 特徵矢量化，海量決策關鍵元等因素讓模型使用者犯難：模型決策的依據是什麼？應該相信模型麼？特別是對於金融，醫藥，生物等關鍵型任務，深度學習模型的弱解釋性成為人工智慧項目落地的最大障礙。
  • 推薦| 九本不容錯過的深度學習和神經網絡書籍
    選自aioptify機器之心編譯參與：微胖、李亞洲、蔣思源針對 30 多本深度學習和神經網絡書籍，我們（AI Optify 數據團隊）使用不同指標（比如，在線評價、打分、所涉主題、作者影響力、出版年份、社交媒體是否提及等）訓練機器學習算法，為每本書打分、排名。讀者可能會喜歡我們的推薦，因為這份榜單基於數據並且客觀。排名靠前的九本書如下。1.
  • 深度學習背後的基礎-神經網絡揭秘
    最近， 深度學習三傑獲得了計算機界最重要的圖靈獎， 它們的貢獻都集中在對深度學習的根據神經網絡的理論突破。 今天我們看到的所有和人工智慧有關的偉大成就， 從阿法狗到自動駕駛， 從海量人臉識別到對話機器人， 都可以歸功於人工神經網絡的迅速崛起。那麼對於不了解神經網絡的同學如何入門？ 神經網絡的技術為什麼偉大， 又是什麼讓它們這麼多年才姍姍走來?
  • 深度學習技術和卷積神經網絡(CNN)讓機器視覺識別更智能
    隨著人工智慧技術的進步，深度學習技術（DL）和卷積神經網絡技術(CNN)領域的人工智慧（AI）被引入到機器視覺圖像處理系統的應用中來,從而幫助機器學習和機器檢測缺陷更加高效，使機器視覺識別的過程更加精確。也讓使用這些技術的企業可以從智能化中獲得更高的生產經營效益。
  • 【PPT下載】深度學習入門指南!六步構建深度神經網絡
    今天將從以下四個方面來跟大家分享我對深度學習這個概念的理解：–機器學習和深度學習的定義；-深度學習的應用範圍；-深入學習的實現以及特點；-上手NVIDIA交互式深度學習訓練平臺DIGITS。從上世紀五十年代計算機被發明開始，高效地利用各種各樣的工具去解決人類生活生產中的問題成為當時一個大的話題，到了1980年，利用計算機解決問題的方法被初步定義為機器學習，而機器學習有很多的學科，在設計時它是一個交叉的學科，涉及到概率論、統計學、算法複雜度理論等多門學科。深度學習是通過對人工神經網絡的研究，使得機器學習的操作和執行變得更完善、更高效。因此，深度學習是機器學習的一個分支。
  • ...首席科學家鄧力:深度學習十年簡史和人工智慧未來展望(33PDF...
    比如說人工智慧，它含有一大串的技術，包括邏輯推理技術，包括機器學習技術，在機器學習的技術裡又包括深度學習的技術。其中，主要的一塊是機器學習。機器學習所解決的問題，是要用數據跟統計的方法或者神經網絡的方法來解決現實生活中的任務（tasks）。在機器學習裡面最新型和最重要的一塊——深度學習，也包括一大串的技術加上應用。